FrameworkJava 采用三级缓存架构，有效防止缓存穿透，提升系统性能。
请求
↓
┌─────────────────┐
│ 布隆过滤器 │ ← 第一级：快速判断数据是否存在
└────────┬────────┘
│ 存在
↓
┌─────────────────┐
│ Caffeine │ ← 第二级：本地缓存（JVM 内存）
│ 本地缓存 │
└────────┬────────┘
│ 未命中
↓
┌─────────────────┐
│ Redis │ ← 第三级：分布式缓存
│ 分布式缓存 │
└────────┬────────┘
│ 未命中
↓
┌─────────────────┐
│ MySQL │ ← 数据源
│ 数据库 │
└─────────────────┘
作用：快速判断数据是否可能存在，避免无效的数据库查询
特点：
- 内存占用极小
- 查询速度极快（O(1)）
- 可能存在误判（假阳性），但不会漏判（假阴性）
实现类型（通过 bloom.filter.type 配置选择）：
- fast：不加锁版本，性能最高，但线程不安全，适用于对准确性要求不高的场景
- safe：加锁版本，线程安全，适用于单实例部署且对准确性要求高的场景
- redis：Redis 实现，分布式共享，适用于多实例部署场景（推荐）
使用场景：
- 防止缓存穿透
- 判断用户 ID、订单 ID 等是否存在
作用：JVM 内存缓存，减少 Redis 网络调用
特点：
- 访问速度最快（本地内存）
- 容量有限（受 JVM 堆内存限制）
- 单机缓存，多实例不共享
使用场景：
- 热点数据缓存
- 配置信息缓存
- 字典数据缓存
作用：分布式缓存，多实例共享
特点：
- 容量大（可扩展）
- 支持持久化
- 多实例共享数据
使用场景：
- 用户会话信息
- 分布式锁
- 幂等性控制
- 业务数据缓存
-
布隆过滤器检查
- 不存在 → 直接返回，不查询数据库
- 可能存在 → 继续下一步
-
Caffeine 本地缓存查询
- 命中 → 直接返回
- 未命中 → 继续下一步
-
Redis 分布式缓存查询
- 命中 → 写入 Caffeine，返回数据
- 未命中 → 继续下一步
-
数据库查询
- 查询数据 → 写入 Redis → 写入 Caffeine → 返回数据
- 更新数据库
- 删除 Redis 缓存
- 删除 Caffeine 缓存
- 更新布隆过滤器（如需要）
布隆过滤器只增不减，随着时间推移需要定期重置并重新预热。FrameworkJava 提供两种重置机制：
- 主方案（XXL-JOB）：由
ResetBloomFilterJobHandler负责，每日凌晨 4 点由 XXL-JOB 调度中心触发。使用 Redisson 分布式锁保证多实例下只有一个节点执行，重置后自动全量预热 C 端用户数据。调度中心配置参考：executor.handler : resetBloomFilterJobHandler schedule_type : CRON schedule_conf : 0 0 4 * * ? - 降级方案（Spring Scheduled）：由
ResetBloomFilterTimedTask负责，当 XXL-JOB 调度中心不可用时，通过 Nacos 动态下发bloom.filter.fallback.enabled=true启用本地定时任务兜底，保证布隆过滤器在任何情况下都能得到重置。
使用 CacheUtil 工具类实现三级缓存：
@Service
public class UserService {
@Autowired
private RedisService redisService;
@Autowired
private BloomFilterService bloomFilterService;
@Autowired
private Cache<String, Object> caffeineCache; // Caffeine 本地缓存
@Autowired
private UserMapper userMapper;
public User getUserById(Long userId) {
String key = "user:" + userId;
// 使用 CacheUtil 自动处理三级缓存查询
// 1. 布隆过滤器检查 → 2. Caffeine 查询 → 3. Redis 查询
User user = CacheUtil.getL2Cache(redisService, bloomFilterService, key, User.class, caffeineCache);
if (user != null) {
return user;
}
// 4. 数据库查询
user = userMapper.selectById(userId);
if (user != null) {
// 写入三级缓存：Redis → Caffeine → 布隆过滤器
CacheUtil.setL2Cache(redisService, bloomFilterService, key, user, caffeineCache, 300L, TimeUnit.SECONDS);
}
return user;
}
}说明：
CacheUtil.getL2Cache()会自动按顺序查询：布隆过滤器 → Caffeine → RedisCacheUtil.setL2Cache()会自动写入：Redis → Caffeine → 布隆过滤器- 无需手动处理缓存层级逻辑，工具类已封装好
在 Nacos 配置 share-filter-{env}.yaml：
bloom:
filter:
type: redis # 类型选择：fast（不加锁）/ safe（加锁）/ redis（分布式，推荐）
expectedInsertions: 10000 # 预期插入元素数量
falseProbability: 0.01 # 误判率
warningThreshold: 0.7 # 扩容阈值
checkWarning: true # 是否开启阈值检查类型选择建议：
- 单实例 + 准确性要求高：使用
safe - 单实例 + 准确性要求不高：使用
fast（性能最优） - 多实例部署：使用
redis（推荐）
在 Nacos 配置 share-caffeine-{env}.yaml：
caffeine:
build:
initial-capacity: 100 # 初始容量
maximum-size: 1000 # 最大缓存数量
expire: 30 # 写入后过期时间（秒）在 Nacos 配置 share-redis-{env}.yaml：
spring:
data:
redis:
host: localhost
port: 6379
timeout: 3000
lettuce:
pool:
max-active: 8
max-idle: 8
min-idle: 0- 缓存预热：系统启动时加载热点数据到缓存
- 缓存穿透防护：使用布隆过滤器 + 空值缓存
- 缓存雪崩防护：设置随机过期时间
- 缓存更新策略：采用 Cache Aside 模式（先更新数据库，再删除缓存）
- 本地缓存容量：根据 JVM 堆内存合理设置，避免 OOM
- 热点数据识别：监控缓存命中率，识别热点数据
- 缓存分层：根据数据访问频率选择缓存层级
- 批量操作：支持批量查询，减少网络往返